Instructions to use SlayerLab/GoLLeM-110M-PL-v2 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use SlayerLab/GoLLeM-110M-PL-v2 with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="SlayerLab/GoLLeM-110M-PL-v2")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("SlayerLab/GoLLeM-110M-PL-v2")
model = AutoModelForCausalLM.from_pretrained("SlayerLab/GoLLeM-110M-PL-v2", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use SlayerLab/GoLLeM-110M-PL-v2 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "SlayerLab/GoLLeM-110M-PL-v2"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "SlayerLab/GoLLeM-110M-PL-v2",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/SlayerLab/GoLLeM-110M-PL-v2

SGLang

How to use SlayerLab/GoLLeM-110M-PL-v2 with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "SlayerLab/GoLLeM-110M-PL-v2" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "SlayerLab/GoLLeM-110M-PL-v2",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "SlayerLab/GoLLeM-110M-PL-v2" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "SlayerLab/GoLLeM-110M-PL-v2",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use SlayerLab/GoLLeM-110M-PL-v2 with Docker Model Runner:
```
docker model run hf.co/SlayerLab/GoLLeM-110M-PL-v2
```

GoLLeM-110M-PL-v2

Polski model językowy 110M (GPT-2-class), trenowany od zera na AMD Radeon RX 7900 XTX (ROCm/WSL2). Model bazowy (completion) — kontynuuje tekst, nie jest chatbotem (nie odpowiada na pytania; daj mu początek zdania).

Druga iteracja serii GoLLeM. Główna zmiana vs v1: czysty, wielo-źródłowy korpus (dodane wiedza+literatura) → lepsze fakty i forma, zero web-boilerplate.

Trening

Architektura: 12 warstw / 12 głowic / d=768, kontekst 512, vocab 32000, weight-tied (110M param).
Dane: ~2.0B tokenów, 1 epoka, czysty multi-source:
- 58% curated (wiedza+literatura): Wikipedia, Wikisource, Wolne Lektury, 1000 Novels, Wikiquote/Wikibooks/Wikinews/Wikivoyage, eltec.
- 42% web (HPLT v3 pol, po czyszczeniu).
- Zero legalese (świadomie wykluczone eur-lex/parlament, by nie zdominowały rejestru).
Higiena: otwarte licencje (CC-BY-SA dominują — patrz sekcja Licencja; HPLT web = CC0), PII-scrubowane (telefon/email/PESEL/NIP → tagi), web-boilerplate usunięty u źródła (span+line strip; emisja boilerplate ~0).
Sprzęt: 1× AMD 7900 XTX (24GB), ROCm/WSL2, bf16, grad-accum, ~8.3h.

vs v1 (GoLLeM-110M-PL)

Lepsze fakty/forma (dodany korpus wiedzy: encyklopedyczny/przepisowy rejestr; v1 był web-only).
Zero emisji web-boilerplate (v1 emitował śmieci typu "OdpowiedzUsuń").
val-ppl 34.6 (held-out).

Użycie

from transformers import AutoModelForCausalLM, AutoTokenizer
m = AutoModelForCausalLM.from_pretrained("Maggio33/GoLLeM-110M-PL-v2")
t = AutoTokenizer.from_pretrained("Maggio33/GoLLeM-110M-PL-v2")
ids = t("Stolicą Polski jest miasto", return_tensors="pt").input_ids
print(t.decode(m.generate(ids, max_new_tokens=80, do_sample=True, temperature=0.7, repetition_penalty=1.3)[0]))

Tip: to model bazowy — dawaj POCZĄTEK zdania ("Przepis na rosół:", "Warszawa to"), nie pytania.

Ograniczenia

110M = mały → konfabuluje konkretne fakty (nie jest bazą wiedzy). Uczy się głównie płynności i formy polskiego.
Base/completion, nie chat — nie odpowiada na pytania (do tego potrzebny SFT/instruct-tuning).
PII scrubowane w treningu → model zwraca tagi zamiast realnych danych; nie jest źródłem PII.
Tylko polski.

Licencja i atrybucja

Korpus = CC-BY-SA-4.0 (licencja dominująca, share-alike). Skład per-źródło:

Wikipedia, Wikisource, Wikibooks/Wikiquote/Wikinews/Wikivoyage — CC-BY-SA-3.0 (Wikimedia Foundation)
Wolne Lektury — CC-BY-SA-4.0 / Wolna Sztuka 1.3
1000 Novels, eltec_pol — CC-BY-4.0
HPLT v3 (web, ~42%) — CC0-1.0

→ Użycie wymaga ATTRIBUTION (Wikimedia Foundation, Wolne Lektury, autorzy 1000 Novels, HPLT / CLARIN-PL) oraz SHARE-ALIKE (derywaty na licencji CC-BY-SA-kompatybilnej).

Model: CC-BY-SA-4.0 (share-alike, spójny z licencją korpusu).

Autor: Arkadiusz Słota.

Downloads last month: 2

Safetensors

Model size

0.1B params

Tensor type

F32